/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
26,7 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Опубликована
27 фев 2024

mlm-filter-llava-13b-gpt4v

Генерация текстаТекст → текст3 профессии

MLM-Filter-13B оценивает качество и согласованность пар «изображение—текст» для фильтрации данных и анализа мультимодальных моделей.

12скачиваний за 30 дней6лайковвеса обновлены9 апр 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MLM-Filter-13B — мультимодальная модель семейства LLaVA, разработанная Weizhi Wang и соавторами для оценки качества пар «изображение—текст». Она выдаёт четыре оценки: соответствие изображения тексту, полноту описания объектов, качество текста подписи и семантическое понимание. Модель предназначена для фильтрации обучающих данных, оценки согласованности изображений и текстов в системах генерации изображений и подписей, а также для сценариев, где требуется оценить их соответствие.

Модель содержит 12,9 млрд параметров, использует архитектуру LlavaLlamaForCausalLM и имеет контекст до 4096 токенов. Обучение включало инструкции из набора LLaVA-1.5 и примеры оценки качества пар изображение—текст. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не сообщает об ограничениях точности или поддерживаемых языках; оценки качества следует рассматривать в контексте описанных метрик и данных.

Сценарии применения

  • Отбор качественных пар изображение—текст для обучения мультимодальных моделей
  • Оценка соответствия изображения подписи или описанию
  • Измерение полноты упоминания объектов в описании изображения
  • Оценка качества текстовых подписей к изображениям
  • Сравнение согласованности изображений и текстов в задачах генерации

Ограничения

Карточка не приводит количественных показателей качества и не указывает поддерживаемые языки. Модель выдаёт четыре метрики качества пар изображение—текст, поэтому её оценки могут не покрывать другие критерии качества данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MLM-Filter-13b Model Card

Model details

Model type: MLM-Filter-13b is an open-source MLLM trained to assess the data quality of image-text paired data. It can generate 4 quality metrics for image-text data: Image Text Matching, Object Detail Fulfillment, Caption Text Quality, and Semantic Understanding.

Model date: MLM-Filter-13B was trained in Dec 2023.

Paper or resources for more information: https://mlm-filter.github.io/

@article{wang2024finetuned,
  title={Finetuned Multimodal Language Models Are High-Quality Image-Text Data Filters},
  author={Wang, Weizhi and Mrini, Khalil and Yang, Linjie and Kumar, Sateesh and Tian, Yu and Yan, Xifeng and Wang, Heng},
  journal={arXiv preprint arXiv:2403.02677},
  year={2024}
}

License

Llama 2 is licensed under the LLAMA 2 Community License, Copyright (c) Meta Platforms, Inc. All Rights Reserved.

Where to send questions or comments about the model: https://github.com/Victorwz/MLM_Filter/issues

Intended use

Primary intended uses: MLM-Filter can be used as a drop-in replacement for CLIPScore in these tasks:

  1. Score image-text data in large-scale pre-training dataset and then filter high-quality subsets based on the scores (For training MLLMs or VLMs, please consider to jointly use the Image-Text Matching score and the Object Detail Fulfillment score);

  2. Evaluate the image-text alignment for image2text or text2image generation models;

  3. Any potential applications with the need to calculate the image-text alignment.

Training dataset

  • 46k instruction sampled from LLaVA-1.5 665k data.
  • 4k instructions on image-text data quality assessment tasks ranging across 4 metrics.

Usage Sample

Please follow the instructions in https://github.com/Victorwz/MLM_Filter.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
7b8e5bb

0 моделей